「性能实测」共找到 2308 篇相关文章
合成数据>人工数据，绝对性能暴涨超10个点！仅需任务定义，高效微调大模型
为解决基础模型在专业领域表现不佳、依赖人工标注数据的难题，北大、MIT等机构提出「合成数据强化学习」框架。该框架仅需任务定义，能生成合成数据微调模型，在多领域基准上性能提升显著，代码已开源。
谷歌新版Gemini马甲被扒! LMArena实测：唯一能看懂表的AI, GPT-5乱答
谷歌Gemini 3.0疑似上线LMArena，其Pro和Flash马甲被扒。实测中，Gemini 3 Pro能精确看表，GPT - 5等表现不佳；SVG测试有提升但也有不足；还能作曲。不过评测方式老套，希望有新花样。
首发限时免费两周！实测腾讯混元Hy3：Agent能力飞升，日常主力毫无压力
腾讯混元Hy3正式版发布，尺寸300B，在多领域表现亮眼，追平甚至超越大参数模型。作者用三个刁钻场景实测，Hy3在全栈开发、3D游戏开发、办公任务中表现出色，幻觉率低，达生产级标准。
2026开年王炸模型MiroThinker 1.5实测：Google和GPT没做到的事，被它做到了
自媒体从业者实测开源模型MiroThinker 1.5，它不拼参数规模，注重去伪存真。在多场景测试中表现出色，如投资决策、内容查证等。其技术揭示大模型未来或在于外部交互，而非参数膨胀。
把大厂 10 年的职场经验，做成了一个「Coze Skill」—— 扣子 2.0 深度实测
作者实测扣子 2.0，介绍其「技能商店」功能，可将专家方法论封装成技能供调用。通过简历诊断、画架构图、生成 GEO 稿件三个场景展示提效作用，还提及「长期计划」功能，称扣子定位职场 AI，降低使用门槛。
特斯拉们，慌了？英伟达智能驾驶实测曝光：仅用一年追平马斯克八年心血
英伟达汽车业务虽仅占总收入1%，但十年积累已成气候。其与Uber合作、推广L2级城市功能，到2028年将实现L3高速公路驾驶，仅用1年几乎追上马斯克的FSD。实测中英伟达自动驾驶表现出色，新系统也有诸多亮点。
北大字节开源首个时空推理视频模型！思考过程全透明，性能超越GPT-4o
北大和字节联合团队推出开源模型Open-o3 Video，将显式时空证据嵌入视频推理全过程，采用non-agent架构，性能超越GPT - 4o等闭源模型。该模型构建了STGR语料体系，采用双阶段训练，实验表现优秀。
开源中小模型+Skills也性能暴增！卢森堡大学探索了小模型驾驭Skills的边界
卢森堡大学等研究探索小模型驾驭Skills的边界。工业界因数据安全渴望开源小模型，智能体Skills框架让小模型性能暴增。研究拆解小模型处理复杂任务的方法，还验证不同策略有效性，发现代码专用模型优势。
DeepSeek识图模式是个新模型？！一手实测在此（没错我被灰度到了）
作者喜提DeepSeek识图模式灰度测试，实测发现其非思考模式速度快，推理有幻觉；思考模式推理慢且冗长。实用功能如OCR、复原HTML较靠谱，但色盲测试偶翻车。该模式或用独立视觉模型，且多模态进展超预期。
阿里通义的视觉RAG革命！VRAG-RL：基于强化学习的视觉感知RAG框架，性能飙升30%
阿里巴巴通义实验室推出VRAG - RL，融合视觉感知、多模态推理与强化学习，已在GitHub开源。它破解传统RAG处理视觉数据难题，通过创新机制提升性能，在多数据集表现出色，还将向更拟人化和低幻觉方向发展。